CN114971643B - 异常交易识别方法、装置、设备及存储介质 - Google Patents
异常交易识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114971643B CN114971643B CN202210604637.6A CN202210604637A CN114971643B CN 114971643 B CN114971643 B CN 114971643B CN 202210604637 A CN202210604637 A CN 202210604637A CN 114971643 B CN114971643 B CN 114971643B
- Authority
- CN
- China
- Prior art keywords
- transaction
- user
- audio
- information
- tone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002452 interceptive effect Effects 0.000 claims abstract description 71
- 238000013058 risk prediction model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013139 quantization Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4016—Transaction verification involving fraud or risk level assessment in transaction processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能，提供一种异常交易识别方法、装置、设备及存储介质。该方法能够根据交易识别请求定位待测交易的交易设备，检测交易设备是否启动屏幕共享，当检测到交易设备启动屏幕共享时，捕获交易设备的交互音频及共享信息，识别交互音频的音频特征信息，将音频特征信息及共享信息输入至风险预测模型中，得到第一风险值，从交易识别请求中获取待测交易的交易类型、交易用户及交易用户的用户关系，根据交易类型与用户关系的匹配度及交易用户与预设用户的用户相似度生成第二风险值，基于第一风险值及第二风险值生成识别结果，能够准确的识别出异常交易。此外，本发明还涉及区块链技术，所述识别结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种异常交易识别方法、装置、设备及存储介质。
背景技术
随着人工智能的发展，异常交易识别方式随之产生。在目前的异常交易识别方案中，主要利用信息聚集去判断风险。然而，发明人意识到，目前黑客通过一定手段能够更改交易方的基本信息，造成目前无法准确的识别出异常交易。
因此，如何构建准确的异常交易识别方案，成了亟需解决的问题。
发明内容
鉴于以上内容，有必要提供一种异常交易识别方法、装置、设备及存储介质，能够准确的识别出异常交易。
一方面，本发明提出一种异常交易识别方法，所述异常交易识别方法包括：
当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测所述交易设备是否启动屏幕共享；
当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别所述交互音频的音频特征信息；
将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值；
从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
根据本发明优选实施例，所述检测所述交易设备是否启动屏幕共享包括：
检测所述交易识别请求的接收时刻，并根据所述接收时刻与预设时间的时间差为左区间，所述接收时刻为右区间生成待测时间区间；
检测所述交易设备中的音频输入模块在所述待测时间区间中的运行状态，并检测所述交易设备中的屏幕截图模块在所述待测时间区间中的运行速率；
当所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，从所述交易设备中获取所述待测时间区间的操作日志；
识别所述操作日志中是否包括链接生成事件；
若所述操作日志中包括所述链接生成事件，则确定所述交易设备启动屏幕共享。
根据本发明优选实施例，所述识别所述交互音频的音频特征信息包括：
对所述交互音频进行傅里叶变换处理，得到所述交互音频的频谱图；
从所述频谱图中提取所述交互音频的音色信息；
从音色库中获取所述交易设备的设备用户所对应的用户音色，并将与所述用户音色不同的音色信息确定为待测音色；
将所述交互音频转换为音频文本，并将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息；
将所述待测音色及所述语义信息确定为所述音频特征信息。
根据本发明优选实施例，所述将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息包括：
对所述音频文本进行分词处理，得到多个文本分词；
基于所述多个文本分词在所述音频文本中的词性对所述音频文本进行向量化处理，得到文本向量；
获取所述语义解析模型中的预设矩阵及激活函数；
计算所述预设矩阵与所述文本向量的乘积，得到目标矩阵，所述目标矩阵中每列向量是指每个文本分词在所述语义解析模型中的表征向量；
基于所述激活函数处理所述目标矩阵，得到每个文本分词在所述音频文本中的重要度；
将大于配置阈值的重要度所对应的文本分词确定为关键分词；
根据所述关键分词在所述音频文本中的位置关系拼接所述关键分词，得到所述语义信息。
根据本发明优选实施例，所述音频特征信息包括所述待测音色及所述语义信息，所述将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值包括：
获取所述风险预测模型中的预设音色及维度权值；
计算所述待测音色与所述预设音色的音色相似度；
计算所述语义信息与所述待测交易的第一相关度，并计算所述共享信息与所述待测交易的第二相关度；
基于所述维度权值对所述音色相似度、所述第一相关度及所述第二相关度进行加权和处理，得到所述第一风险值，所述第一风险值的计算公式为：
y＝a×x1+b×x2+c×x3；
a+b+c＝1；
其中，y是指所述第一风险值，a、b、c是指所述维度权值，x1是指所述音色相似度，x2是指所述第一相关度，x3是指所述第二相关度。
根据本发明优选实施例，所述根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值包括：
从预设匹配映射表中获取与所述交易类型所对应的关系作为交易关系；
基于关系量化表计算所述交易关系与所述用户关系的距离，得到所述匹配度；
获取所述交易用户在预设字段上的用户信息，并获取所述预设用户在所述预设字段上的信息作为基准信息；
计算所述用户信息与所述基准信息的相似度，得到所述用户相似度；
计算所述匹配度及所述用户相似度的总和，得到所述第二风险值。
根据本发明优选实施例，所述基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果包括：
获取每个历史交易数据在预设共享维度上的第一训练风险度及在预设信息维度上的第二训练风险度，并获取每个历史交易数据的标注结果；
计算所述第一训练风险度与所述第二训练风险度的总和，得到每个历史交易数据的总训练风险度；
将所述标注结果为异常的总训练风险度确定为目标训练风险度，并将取值最小的目标训练风险度确定为预设风险阈值；
计算所述第一风险值与所述第二风险值的总和，得到目标风险值；
若所述目标风险值大于或者等于所述预设风险阈值，则将所述识别结果确定为所述待测交易异常。
另一方面，本发明还提出一种异常交易识别装置，所述异常交易识别装置包括：
定位单元，用于当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测单元，用于检测所述交易设备是否启动屏幕共享；
捕获单元，用于当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别单元，用于识别所述交互音频的音频特征信息；
输入单元，用于将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值；
获取单元，用于从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
生成单元，用于根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
所述生成单元，还用于基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述异常交易识别方法。
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述异常交易识别方法。
由以上技术方案可以看出，本发明通过在检测到所述交易设备启动屏幕共享时，对所述交互音频及所述共享信息进行捕获，能够避免黑客通过一定的手段绕过对所述待测交易的交易识别，进而对所述音频特征信息及所述共享信息进行识别，能够避免将所有交互音频及共享信息进行分析，从而提高所述风险预测模型对所述交互音频及所述共享信息的分析效率，同时，结合所述交互音频及所述共享信息能够准确的确定出所述待测交易在共享维度上的风险值，进一步地，通过所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度能够准确的确定出所述待测交易在信息维度上的风险值，进而结合所述第一风险值及所述第二风险值能够准确的确定出所述识别结果，由于引入屏幕共享检测这种方式，而这种方式并没有显示数据可以进行数据更改，从而保证了用于判断风险的特征稳定性及可靠性，因此，提高了所述识别结果的准确性。
附图说明
图1是本发明异常交易识别方法的较佳实施例的流程图。
图2是本发明异常交易识别装置的较佳实施例的功能模块图。
图3是本发明实现异常交易识别方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明异常交易识别方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述异常交易识别方法可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述异常交易识别方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备。
在本发明的至少一个实施例中，所述交易识别请求可以在交易生成时由所述交易设备触发生成。
所述待测交易是指需要进行异常识别的交易。例如，所述待测交易可以是转账交易等。
在本发明的至少一个实施例中，所述电子设备根据所述交易识别请求定位待测交易的交易设备包括：
解析所述交易识别请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取所述交易识别请求的生成地址；
将与所述生成地址对应的设备确定为所述交易设备。
其中，所述地址信息中包括接收所述交易识别请求的地址、生成所述交易识别请求的地址、转发所述交易识别请求的地址等。
通过解析所述报文头，能够快速获取到所述地址信息，从而提高所述交易设备的确定效率。
S11，检测所述交易设备是否启动屏幕共享。
在本发明的至少一个实施例中，所述电子设备检测所述交易设备是否启动屏幕共享包括：
检测所述交易识别请求的接收时刻，并根据所述接收时刻与预设时间的时间差为左区间，所述接收时刻为右区间生成待测时间区间；
检测所述交易设备中的音频输入模块在所述待测时间区间中的运行状态，并检测所述交易设备中的屏幕截图模块在所述待测时间区间中的运行速率；
当所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，从所述交易设备中获取所述待测时间区间的操作日志；
识别所述操作日志中是否包括链接生成事件；
若所述操作日志中包括所述链接生成事件，则确定所述交易设备启动屏幕共享。
其中，所述接收时刻是指所述电子设备接收到所述交易识别请求的时刻。例如，所述接收时刻是10：15，所述预设时间是15分钟，则所述时间差是10：00，因此，可以得到所述待测时间区间为[10：00，10：15]。
所述预设时间及所述预设速率阈值可以根据实际需求设定。
所述音频输入模块是指能够向所述交易设备输入音频的模块，例如，所述音频输入模块可以是麦克风。
所述屏幕截图模块是指对所述交易设备上的显示界面进行截图的模块。
所述链接生成事件是指所述交易设备中用于生成链接的对象名。
通过所述接收时刻及预设时间生成待测时间区间，能够在兼顾所述待测时间区间的全面性的同时，缩小所述待测时间区间的区间长度，从而提高屏幕共享的检测准确性及检测效率，进而在检测到所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，对所述操作日志中是否包含所述链接生成事件进行进一步的识别，能够避免用户在进行屏幕录制操作时造成所述运行状态为启动状态，及所述运行速率大于预设速率阈值，从而提高所述交易设备是否启动屏幕共享的检测准确性。
S12，当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息。
在本发明的至少一个实施例中，所述交互音频是指所述交易设备中与所述待测时间区间对应的音频。
所述共享信息是指所述交易设备中与其他用户分享的界面信息。
在本发明的至少一个实施例中，所述电子设备捕获所述交易设备的交互音频及共享信息包括：
基于所述待测时间区间从所述音频输入模块中获取所述交互音频；
基于所述待测时间区间从所述屏幕截图模块中获取共享图像，并提取所述共享图像中的图像文本作为所述共享信息。
S13，识别所述交互音频的音频特征信息。
在本发明的至少一个实施例中，所述音频特征信息包括待测音色及语义信息，其中，所述待测音色是指与设备用户进行交易的用户的音色频段，所述语义信息是指所述交互音频所表征出的语义。
在本发明的至少一个实施例中，所述电子设备识别所述交互音频的音频特征信息包括：
对所述交互音频进行傅里叶变换处理，得到所述交互音频的频谱图；
从所述频谱图中提取所述交互音频的音色信息；
从音色库中获取所述交易设备的设备用户所对应的用户音色，并将与所述用户音色不同的音色信息确定为待测音色；
将所述交互音频转换为音频文本，并将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息；
将所述待测音色及所述语义信息确定为所述音频特征信息。
其中，所述交互音频是指所述设备用户与另一方用户进行语音交互时所产生的音频信息。相对应的，所述音色信息中包括所述设备用户的用户音色及另一方用户的音色。
所述音色库中存储有多个设备的绑定用户与音色的映射关系。
所述语义解析模型用于解析文本的语义信息。
通过所述交易设备能够准确的从所述音色库中获取到所述用户音色，从而能够将所述待测音色从所述音色信息中分离出来，进而通过所述语义解析模型对所述音频文本进行解析，能够避免所述音频文本中存在大量数据信息而导致后续的风险预测模型无法快速的预测出风险值。
具体地，所述电子设备将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息包括：
对所述音频文本进行分词处理，得到多个文本分词；
基于所述多个文本分词在所述音频文本中的词性对所述音频文本进行向量化处理，得到文本向量；
获取所述语义解析模型中的预设矩阵及激活函数；
计算所述预设矩阵与所述文本向量的乘积，得到目标矩阵，所述目标矩阵中每列向量是指每个文本分词在所述语义解析模型中的表征向量；
基于所述激活函数处理所述目标矩阵，得到每个文本分词在所述音频文本中的重要度；
将大于配置阈值的重要度所对应的文本分词确定为关键分词；
根据所述关键分词在所述音频文本中的位置关系拼接所述关键分词，得到所述语义信息。
其中，所述预设矩阵及所述激活函数是根据所述语义解析模型的模型学习率及模型准确性调整生成的。
所述配置阈值可以根据所述多个文本分词的分词总量设定。
通过所述词性对所述音频文本进行向量化处理，能够避免不同词性的同一词汇对所述文本向量的表征能力的影响，进而基于所述预设矩阵能够准确的调整所述文本向量，进一步提高所述目标矩阵的表征准确性，从而提高所述关键分词的确定准确性，有利于所述语义信息的解析准确性。
S14，将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值。
在本发明的至少一个实施例中，所述风险预测模型用于预测共享维度上的风险值。
在本发明的至少一个实施例中，所述音频特征信息包括所述待测音色及所述语义信息，所述电子设备将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值包括：
获取所述风险预测模型中的预设音色及维度权值；
计算所述待测音色与所述预设音色的音色相似度；
计算所述语义信息与所述待测交易的第一相关度，并计算所述共享信息与所述待测交易的第二相关度；
基于所述维度权值对所述音色相似度、所述第一相关度及所述第二相关度进行加权和处理，得到所述第一风险值，所述第一风险值的计算公式为：
y＝a×x1+b×x2+c×x3；
a+b+c＝1；
其中，y是指所述第一风险值，a、b、c是指所述维度权值，x1是指所述音色相似度，x2是指所述第一相关度，x3是指所述第二相关度。
其中，所述预设音色是指黑名单用户的音色。
所述第一相似度可以是指所述语义信息及所述待测交易的交易基础信息在所述风险预测模型上的信息相似度，所述第二相似度可以是指所述共享信息及所述交易基础信息在所述风险预测模型上的信息相似度。进一步地，所述交易基础信息是指与所述待测交易有关的信息，例如，所述交易基础信息可以是交易账号信息、交易金额等。
通过所述风险预测模型能够准确的预测出所述待测交易在共享维度上的风险值。
S15，从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系。
在本发明的至少一个实施例中，所述交易类型是指所述待测交易的类型，例如，所述交易类型为购物等。
所述交易用户是指所述待测交易中与设备用户进行交易的用户。
所述用户关系是指所述待测交易中所述设备用户与所述交易用户之间的关系。例如，所述用户关系包括雇佣关系、客户关系等。
S16，根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值。
在本发明的至少一个实施例中，所述预设用户是指黑名单用户。
所述第二风险值是指所述待测交易在信息维度上所表现出的风险。
在本发明的至少一个实施例中，所述电子设备根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值包括：
从预设匹配映射表中获取与所述交易类型所对应的关系作为交易关系；
基于关系量化表计算所述交易关系与所述用户关系的距离，得到所述匹配度；
获取所述交易用户在预设字段上的用户信息，并获取所述预设用户在所述预设字段上的信息作为基准信息；
计算所述用户信息与所述基准信息的相似度，得到所述用户相似度；
计算所述匹配度及所述用户相似度的总和，得到所述第二风险值。
其中，所述预设匹配映射表中存储有多个类型与关系的映射关系。
所述关系量化表中存储有多个关系与数值的映射关系，可以理解的是，多个所述关系越相似，对应的数值大小越相近。
所述预设字段可以包括，但不限于：手机号码、手机型号等。
通过所述预设匹配映射表及所述关系量化表能够从同一维度上分析所述匹配度，提高所述匹配度的准确性，进而结合所述匹配度及所述用户相似度能够准确的确定出所述第二风险值。
S17，基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
在本发明的至少一个实施例中，所述识别结果包括所述待测交易正常及所述待测交易异常。
需要强调的是，为进一步保证上述识别结果的私密和安全性，上述识别结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果包括：
获取每个历史交易数据在预设共享维度上的第一训练风险度及在预设信息维度上的第二训练风险度，并获取每个历史交易数据的标注结果；
计算所述第一训练风险度与所述第二训练风险度的总和，得到每个历史交易数据的总训练风险度；
将所述标注结果为异常的总训练风险度确定为目标训练风险度，并将取值最小的目标训练风险度确定为预设风险阈值；
计算所述第一风险值与所述第二风险值的总和，得到目标风险值；
若所述目标风险值大于或者等于所述预设风险阈值，则将所述识别结果确定为所述待测交易异常。
其中，所述第一训练风险度的确定方式与所述第一风险值的确定方式相同，本发明对此不再赘述，所述第二训练风险度的确定方式与所述第二风险值的确定方式相同，本发明对此不再赘述。
所述标注结果包括正常交易及异常交易。
通过多个所述历史交易数据及对应的标注结果能够准确的确定出所述预设风险阈值，进而基于所述预设风险值对所述待测交易进行识别，能够提高所述识别结果的准确性。
在本发明的至少一个实施例中，所述方法还包括：
计算所述目标风险值与预设容差的差值；
若所述差值小于或者等于所述预设风险阈值，则将所述识别结果确定为所述待测交易正常。
其中，所述预设容差是根据需求设定的。
通过设定所述预设容差，能够进一步加强对所述待测交易的监测，提高所述待测交易的识别安全性。
由以上技术方案可以看出，本发明通过在检测到所述交易设备启动屏幕共享时，对所述交互音频及所述共享信息进行捕获，能够避免黑客通过一定的手段绕过对所述待测交易的交易识别，进而对所述音频特征信息及所述共享信息进行识别，能够避免将所有交互音频及共享信息进行分析，从而提高所述风险预测模型对所述交互音频及所述共享信息的分析效率，同时，结合所述交互音频及所述共享信息能够准确的确定出所述待测交易在共享维度上的风险值，进一步地，通过所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度能够准确的确定出所述待测交易在信息维度上的风险值，进而结合所述第一风险值及所述第二风险值能够准确的确定出所述识别结果，由于引入屏幕共享检测这种方式，而这种方式并没有显示数据可以进行数据更改，从而保证了用于判断风险的特征稳定性及可靠性，因此，提高了所述识别结果的准确性。
如图2所示，是本发明异常交易识别装置的较佳实施例的功能模块图。所述异常交易识别装置11包括定位单元110、检测单元111、捕获单元112、识别单元113、输入单元114、获取单元115、生成单元116、计算单元117及确定单元118。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到交易识别请求时，定位单元110根据所述交易识别请求定位待测交易的交易设备。
在本发明的至少一个实施例中，所述交易识别请求可以在交易生成时由所述交易设备触发生成。
所述待测交易是指需要进行异常识别的交易。例如，所述待测交易可以是转账交易等。
在本发明的至少一个实施例中，所述定位单元110根据所述交易识别请求定位待测交易的交易设备包括：
解析所述交易识别请求的报文头，得到所述报文头携带的地址信息；
从所述地址信息中提取所述交易识别请求的生成地址；
将与所述生成地址对应的设备确定为所述交易设备。
其中，所述地址信息中包括接收所述交易识别请求的地址、生成所述交易识别请求的地址、转发所述交易识别请求的地址等。
通过解析所述报文头，能够快速获取到所述地址信息，从而提高所述交易设备的确定效率。
检测单元111检测所述交易设备是否启动屏幕共享。
在本发明的至少一个实施例中，所述检测单元111检测所述交易设备是否启动屏幕共享包括：
检测所述交易识别请求的接收时刻，并根据所述接收时刻与预设时间的时间差为左区间，所述接收时刻为右区间生成待测时间区间；
检测所述交易设备中的音频输入模块在所述待测时间区间中的运行状态，并检测所述交易设备中的屏幕截图模块在所述待测时间区间中的运行速率；
当所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，从所述交易设备中获取所述待测时间区间的操作日志；
识别所述操作日志中是否包括链接生成事件；
若所述操作日志中包括所述链接生成事件，则确定所述交易设备启动屏幕共享。
其中，所述接收时刻是指电子设备接收到所述交易识别请求的时刻。例如，所述接收时刻是10：15，所述预设时间是15分钟，则所述时间差是10：00，因此，可以得到所述待测时间区间为[10：00，10：15]。
所述预设时间及所述预设速率阈值可以根据实际需求设定。
所述音频输入模块是指能够向所述交易设备输入音频的模块，例如，所述音频输入模块可以是麦克风。
所述屏幕截图模块是指对所述交易设备上的显示界面进行截图的模块。
所述链接生成事件是指所述交易设备中用于生成链接的对象名。
通过所述接收时刻及预设时间生成待测时间区间，能够在兼顾所述待测时间区间的全面性的同时，缩小所述待测时间区间的区间长度，从而提高屏幕共享的检测准确性及检测效率，进而在检测到所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，对所述操作日志中是否包含所述链接生成事件进行进一步的识别，能够避免用户在进行屏幕录制操作时造成所述运行状态为启动状态，及所述运行速率大于预设速率阈值，从而提高所述交易设备是否启动屏幕共享的检测准确性。
当检测到所述交易设备启动屏幕共享时，捕获单元112捕获所述交易设备的交互音频及共享信息。
在本发明的至少一个实施例中，所述交互音频是指所述交易设备中与所述待测时间区间对应的音频。
所述共享信息是指所述交易设备中与其他用户分享的界面信息。
在本发明的至少一个实施例中，所述捕获单元112捕获所述交易设备的交互音频及共享信息包括：
基于所述待测时间区间从所述音频输入模块中获取所述交互音频；
基于所述待测时间区间从所述屏幕截图模块中获取共享图像，并提取所述共享图像中的图像文本作为所述共享信息。
识别单元113识别所述交互音频的音频特征信息。
在本发明的至少一个实施例中，所述音频特征信息包括待测音色及语义信息，其中，所述待测音色是指与设备用户进行交易的用户的音色频段，所述语义信息是指所述交互音频所表征出的语义。
在本发明的至少一个实施例中，所述识别单元113识别所述交互音频的音频特征信息包括：
对所述交互音频进行傅里叶变换处理，得到所述交互音频的频谱图；
从所述频谱图中提取所述交互音频的音色信息；
从音色库中获取所述交易设备的设备用户所对应的用户音色，并将与所述用户音色不同的音色信息确定为待测音色；
将所述交互音频转换为音频文本，并将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息；
将所述待测音色及所述语义信息确定为所述音频特征信息。
其中，所述交互音频是指所述设备用户与另一方用户进行语音交互时所产生的音频信息。相对应的，所述音色信息中包括所述设备用户的用户音色及另一方用户的音色。
所述音色库中存储有多个设备的绑定用户与音色的映射关系。
所述语义解析模型用于解析文本的语义信息。
通过所述交易设备能够准确的从所述音色库中获取到所述用户音色，从而能够将所述待测音色从所述音色信息中分离出来，进而通过所述语义解析模型对所述音频文本进行解析，能够避免所述音频文本中存在大量数据信息而导致后续的风险预测模型无法快速的预测出风险值。
具体地，所述识别单元113将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息包括：
对所述音频文本进行分词处理，得到多个文本分词；
基于所述多个文本分词在所述音频文本中的词性对所述音频文本进行向量化处理，得到文本向量；
获取所述语义解析模型中的预设矩阵及激活函数；
计算所述预设矩阵与所述文本向量的乘积，得到目标矩阵，所述目标矩阵中每列向量是指每个文本分词在所述语义解析模型中的表征向量；
基于所述激活函数处理所述目标矩阵，得到每个文本分词在所述音频文本中的重要度；
将大于配置阈值的重要度所对应的文本分词确定为关键分词；
根据所述关键分词在所述音频文本中的位置关系拼接所述关键分词，得到所述语义信息。
其中，所述预设矩阵及所述激活函数是根据所述语义解析模型的模型学习率及模型准确性调整生成的。
所述配置阈值可以根据所述多个文本分词的分词总量设定。
通过所述词性对所述音频文本进行向量化处理，能够避免不同词性的同一词汇对所述文本向量的表征能力的影响，进而基于所述预设矩阵能够准确的调整所述文本向量，进一步提高所述目标矩阵的表征准确性，从而提高所述关键分词的确定准确性，有利于所述语义信息的解析准确性。
输入单元114将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值。
在本发明的至少一个实施例中，所述风险预测模型用于预测共享维度上的风险值。
在本发明的至少一个实施例中，所述音频特征信息包括所述待测音色及所述语义信息，所述输入单元114将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值包括：
获取所述风险预测模型中的预设音色及维度权值；
计算所述待测音色与所述预设音色的音色相似度；
计算所述语义信息与所述待测交易的第一相关度，并计算所述共享信息与所述待测交易的第二相关度；
基于所述维度权值对所述音色相似度、所述第一相关度及所述第二相关度进行加权和处理，得到所述第一风险值，所述第一风险值的计算公式为：
y＝a×x1+b×x2+c×x3；
a+b+c＝1；
其中，y是指所述第一风险值，a、b、c是指所述维度权值，x1是指所述音色相似度，x2是指所述第一相关度，x3是指所述第二相关度。
其中，所述预设音色是指黑名单用户的音色。
所述第一相似度可以是指所述语义信息及所述待测交易的交易基础信息在所述风险预测模型上的信息相似度，所述第二相似度可以是指所述共享信息及所述交易基础信息在所述风险预测模型上的信息相似度。进一步地，所述交易基础信息是指与所述待测交易有关的信息，例如，所述交易基础信息可以是交易账号信息、交易金额等。
通过所述风险预测模型能够准确的预测出所述待测交易在共享维度上的风险值。
获取单元115从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系。
在本发明的至少一个实施例中，所述交易类型是指所述待测交易的类型，例如，所述交易类型为购物等。
所述交易用户是指所述待测交易中与设备用户进行交易的用户。
所述用户关系是指所述待测交易中所述设备用户与所述交易用户之间的关系。例如，所述用户关系包括雇佣关系、客户关系等。
生成单元116根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值。
在本发明的至少一个实施例中，所述预设用户是指黑名单用户。
所述第二风险值是指所述待测交易在信息维度上所表现出的风险。
在本发明的至少一个实施例中，所述生成单元116根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值包括：
从预设匹配映射表中获取与所述交易类型所对应的关系作为交易关系；
基于关系量化表计算所述交易关系与所述用户关系的距离，得到所述匹配度；
获取所述交易用户在预设字段上的用户信息，并获取所述预设用户在所述预设字段上的信息作为基准信息；
计算所述用户信息与所述基准信息的相似度，得到所述用户相似度；
计算所述匹配度及所述用户相似度的总和，得到所述第二风险值。
其中，所述预设匹配映射表中存储有多个类型与关系的映射关系。
所述关系量化表中存储有多个关系与数值的映射关系，可以理解的是，多个所述关系越相似，对应的数值大小越相近。
所述预设字段可以包括，但不限于：手机号码、手机型号等。
通过所述预设匹配映射表及所述关系量化表能够从同一维度上分析所述匹配度，提高所述匹配度的准确性，进而结合所述匹配度及所述用户相似度能够准确的确定出所述第二风险值。
所述生成单元116基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
在本发明的至少一个实施例中，所述识别结果包括所述待测交易正常及所述待测交易异常。
需要强调的是，为进一步保证上述识别结果的私密和安全性，上述识别结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述生成单元116基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果包括：
获取每个历史交易数据在预设共享维度上的第一训练风险度及在预设信息维度上的第二训练风险度，并获取每个历史交易数据的标注结果；
计算所述第一训练风险度与所述第二训练风险度的总和，得到每个历史交易数据的总训练风险度；
将所述标注结果为异常的总训练风险度确定为目标训练风险度，并将取值最小的目标训练风险度确定为预设风险阈值；
计算所述第一风险值与所述第二风险值的总和，得到目标风险值；
若所述目标风险值大于或者等于所述预设风险阈值，则将所述识别结果确定为所述待测交易异常。
其中，所述第一训练风险度的确定方式与所述第一风险值的确定方式相同，本发明对此不再赘述，所述第二训练风险度的确定方式与所述第二风险值的确定方式相同，本发明对此不再赘述。
所述标注结果包括正常交易及异常交易。
通过多个所述历史交易数据及对应的标注结果能够准确的确定出所述预设风险阈值，进而基于所述预设风险值对所述待测交易进行识别，能够提高所述识别结果的准确性。
在本发明的至少一个实施例中，计算单元117计算所述目标风险值与预设容差的差值；
若所述差值小于或者等于所述预设风险阈值，则确定单元118将所述识别结果确定为所述待测交易正常。
其中，所述预设容差是根据需求设定的。
通过设定所述预设容差，能够进一步加强对所述待测交易的监测，提高所述待测交易的识别安全性。
由以上技术方案可以看出，本发明通过在检测到所述交易设备启动屏幕共享时，对所述交互音频及所述共享信息进行捕获，能够避免黑客通过一定的手段绕过对所述待测交易的交易识别，进而对所述音频特征信息及所述共享信息进行识别，能够避免将所有交互音频及共享信息进行分析，从而提高所述风险预测模型对所述交互音频及所述共享信息的分析效率，同时，结合所述交互音频及所述共享信息能够准确的确定出所述待测交易在共享维度上的风险值，进一步地，通过所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度能够准确的确定出所述待测交易在信息维度上的风险值，进而结合所述第一风险值及所述第二风险值能够准确的确定出所述识别结果，由于引入屏幕共享检测这种方式，而这种方式并没有显示数据可以进行数据更改，从而保证了用于判断风险的特征稳定性及可靠性，因此，提高了所述识别结果的准确性。
如图3所示，是本发明实现异常交易识别方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如异常交易识别程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成定位单元110、检测单元111、捕获单元112、识别单元113、输入单元114、获取单元115、生成单元116、计算单元117及确定单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种异常交易识别方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测所述交易设备是否启动屏幕共享；
当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别所述交互音频的音频特征信息；
将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值；
从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测所述交易设备是否启动屏幕共享；
当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别所述交互音频的音频特征信息；
将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值；
从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种异常交易识别方法，其特征在于，所述异常交易识别方法包括：
当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测所述交易设备是否启动屏幕共享；
当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别所述交互音频的音频特征信息，包括：对所述交互音频进行傅里叶变换处理，得到所述交互音频的频谱图；从所述频谱图中提取所述交互音频的音色信息；从音色库中获取所述交易设备的设备用户所对应的用户音色，并将与所述用户音色不同的音色信息确定为待测音色；将所述交互音频转换为音频文本，并将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息；将所述待测音色及所述语义信息确定为所述音频特征信息，其中，所述将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息包括：对所述音频文本进行分词处理，得到多个文本分词；基于所述多个文本分词在所述音频文本中的词性对所述音频文本进行向量化处理，得到文本向量；获取所述语义解析模型中的预设矩阵及激活函数；计算所述预设矩阵与所述文本向量的乘积，得到目标矩阵，所述目标矩阵中每列向量是指每个文本分词在所述语义解析模型中的表征向量；基于所述激活函数处理所述目标矩阵，得到每个文本分词在所述音频文本中的重要度；将大于配置阈值的重要度所对应的文本分词确定为关键分词；根据所述关键分词在所述音频文本中的位置关系拼接所述关键分词，得到所述语义信息，所述音频特征信息包括所述待测音色及所述语义信息；
将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值，包括：获取所述风险预测模型中的预设音色及维度权值；计算所述待测音色与所述预设音色的音色相似度；计算所述语义信息与所述待测交易的第一相关度，并计算所述共享信息与所述待测交易的第二相关度；基于所述维度权值对所述音色相似度、所述第一相关度及所述第二相关度进行加权和处理，得到所述第一风险值，所述第一风险值的计算公式为：其中，/>是指所述第一风险值，/>是指所述维度权值，/>是指所述音色相似度，/>是指所述第一相关度，/>是指所述第二相关度；
从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
2.如权利要求1所述的异常交易识别方法，其特征在于，所述检测所述交易设备是否启动屏幕共享包括：
检测所述交易识别请求的接收时刻，并根据所述接收时刻与预设时间的时间差为左区间，所述接收时刻为右区间生成待测时间区间；
检测所述交易设备中的音频输入模块在所述待测时间区间中的运行状态，并检测所述交易设备中的屏幕截图模块在所述待测时间区间中的运行速率；
当所述运行状态为启动状态，及所述运行速率大于预设速率阈值时，从所述交易设备中获取所述待测时间区间的操作日志；
识别所述操作日志中是否包括链接生成事件；
若所述操作日志中包括所述链接生成事件，则确定所述交易设备启动屏幕共享。
3.如权利要求1所述的异常交易识别方法，其特征在于，所述根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值包括：
从预设匹配映射表中获取与所述交易类型所对应的关系作为交易关系；
基于关系量化表计算所述交易关系与所述用户关系的距离，得到所述匹配度；
获取所述交易用户在预设字段上的用户信息，并获取所述预设用户在所述预设字段上的信息作为基准信息；
计算所述用户信息与所述基准信息的相似度，得到所述用户相似度；
计算所述匹配度及所述用户相似度的总和，得到所述第二风险值。
4.如权利要求1所述的异常交易识别方法，其特征在于，所述基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果包括：
获取每个历史交易数据在预设共享维度上的第一训练风险度及在预设信息维度上的第二训练风险度，并获取每个历史交易数据的标注结果；
计算所述第一训练风险度与所述第二训练风险度的总和，得到每个历史交易数据的总训练风险度；
将所述标注结果为异常的总训练风险度确定为目标训练风险度，并将取值最小的目标训练风险度确定为预设风险阈值；
计算所述第一风险值与所述第二风险值的总和，得到目标风险值；
若所述目标风险值大于或者等于所述预设风险阈值，则将所述识别结果确定为所述待测交易异常。
5.一种异常交易识别装置，其特征在于，所述异常交易识别装置包括：
定位单元，用于当接收到交易识别请求时，根据所述交易识别请求定位待测交易的交易设备；
检测单元，用于检测所述交易设备是否启动屏幕共享；
捕获单元，用于当检测到所述交易设备启动屏幕共享时，捕获所述交易设备的交互音频及共享信息；
识别单元，用于识别所述交互音频的音频特征信息，包括：对所述交互音频进行傅里叶变换处理，得到所述交互音频的频谱图；从所述频谱图中提取所述交互音频的音色信息；从音色库中获取所述交易设备的设备用户所对应的用户音色，并将与所述用户音色不同的音色信息确定为待测音色；将所述交互音频转换为音频文本，并将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息；将所述待测音色及所述语义信息确定为所述音频特征信息，其中，所述将所述音频文本输入至预先训练好的语义解析模型中，得到所述交互音频的语义信息包括：对所述音频文本进行分词处理，得到多个文本分词；基于所述多个文本分词在所述音频文本中的词性对所述音频文本进行向量化处理，得到文本向量；获取所述语义解析模型中的预设矩阵及激活函数；计算所述预设矩阵与所述文本向量的乘积，得到目标矩阵，所述目标矩阵中每列向量是指每个文本分词在所述语义解析模型中的表征向量；基于所述激活函数处理所述目标矩阵，得到每个文本分词在所述音频文本中的重要度；将大于配置阈值的重要度所对应的文本分词确定为关键分词；根据所述关键分词在所述音频文本中的位置关系拼接所述关键分词，得到所述语义信息，所述音频特征信息包括所述待测音色及所述语义信息；
输入单元，用于将所述音频特征信息及所述共享信息输入至预先训练好的风险预测模型中，得到所述待测交易的第一风险值，包括：获取所述风险预测模型中的预设音色及维度权值；计算所述待测音色与所述预设音色的音色相似度；计算所述语义信息与所述待测交易的第一相关度，并计算所述共享信息与所述待测交易的第二相关度；基于所述维度权值对所述音色相似度、所述第一相关度及所述第二相关度进行加权和处理，得到所述第一风险值，所述第一风险值的计算公式为：其中，/>是指所述第一风险值，是指所述维度权值，/>是指所述音色相似度，/>是指所述第一相关度，/>是指所述第二相关度；
获取单元，用于从所述交易识别请求中获取所述待测交易的交易类型、交易用户及所述交易用户的用户关系；
生成单元，用于根据所述交易类型与所述用户关系的匹配度及所述交易用户与预设用户的用户相似度生成所述待测交易的第二风险值；
所述生成单元，还用于基于所述第一风险值及所述第二风险值生成所述待测交易的识别结果。
6. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至4中任意一项所述的异常交易识别方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至4中任意一项所述的异常交易识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210604637.6A CN114971643B (zh) | 2022-05-30 | 2022-05-30 | 异常交易识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210604637.6A CN114971643B (zh) | 2022-05-30 | 2022-05-30 | 异常交易识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971643A CN114971643A (zh) | 2022-08-30 |
| CN114971643B true CN114971643B (zh) | 2023-07-18 |
Family
ID=82957263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210604637.6A Active CN114971643B (zh) | 2022-05-30 | 2022-05-30 | 异常交易识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971643B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230084A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 一种基于大数据的用户行为认证方法及系统 |
| GB201904716D0 (en) * | 2019-04-03 | 2019-05-15 | Mashtraxx Ltd | System for categoring and finding associated content and embedded vector therefor |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
| CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
| CN113420556A (zh) * | 2021-07-23 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于多模态信号的情感识别方法、装置、设备及存储介质 |
-
2022
- 2022-05-30 CN CN202210604637.6A patent/CN114971643B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230084A (zh) * | 2017-05-03 | 2017-10-03 | 同济大学 | 一种基于大数据的用户行为认证方法及系统 |
| CN109769218A (zh) * | 2018-12-26 | 2019-05-17 | 中国银联股份有限公司 | 一种交易通知方法、装置、终端设备和介质 |
| GB201904716D0 (en) * | 2019-04-03 | 2019-05-15 | Mashtraxx Ltd | System for categoring and finding associated content and embedded vector therefor |
| CN111667267A (zh) * | 2020-05-29 | 2020-09-15 | 中国工商银行股份有限公司 | 一种区块链交易风险识别方法及装置 |
| CN113420556A (zh) * | 2021-07-23 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于多模态信号的情感识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971643A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
| CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
| CN111651363B (zh) | 测试数据获取方法、装置、电子设备及介质 | |
| CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
| CN114510487B (zh) | 数据表合并方法、装置、设备及存储介质 | |
| CN113435196B (zh) | 意图识别方法、装置、设备及存储介质 | |
| CN113343824B (zh) | 双录质检方法、装置、设备及介质 | |
| CN113421594B (zh) | 语音情感识别方法、装置、设备及存储介质 | |
| CN112668453B (zh) | 视频识别方法及相关设备 | |
| CN114090794A (zh) | 基于人工智能的事理图谱构建方法及相关设备 | |
| CN113903361A (zh) | 基于人工智能的语音质检方法、装置、设备及存储介质 | |
| CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
| CN111986763A (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
| CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
| CN113705468B (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
| CN113420143B (zh) | 文书摘要生成方法、装置、设备及存储介质 | |
| CN113918467A (zh) | 金融系统测试方法、装置、设备及存储介质 | |
| CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
| CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
| CN114971643B (zh) | 异常交易识别方法、装置、设备及存储介质 | |
| CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
| CN113408265B (zh) | 基于人机交互的语义解析方法、装置、设备及存储介质 | |
| CN113326365B (zh) | 回复语句生成方法、装置、设备及存储介质 | |
| CN113886263B (zh) | 系统测试方法、装置、设备及存储介质 | |
| CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |